植被的反射光谱曲线起伏变化明显，具有多峰与多谷的特征。植被在0.38～0.49μm波段是强吸收带，平均反射率一般不超过10%;在0.49～0.60μm波段具有波峰的形态和中等反射率(在8%～28%之间)，其中0.55μm处是叶绿素的绿色强反射区;在0.6～0.70μm段具有波谷的形态，反射率很低;到0.70～0.75μm段，反射率急剧上升，光谱曲线具有陡而接近于直线形态;在0.75～1.3μm段，因植被的吸收率很低而保持高反射率。
植被指数是以植被对红光和近红外光的生理生态效益为基础的。科学试验证明:植物叶绿素需要强烈吸收红光和蓝紫光，用于光合作用，其中以0.66μm波长附近的吸收最为强烈，吸收率可达90%。吸收强度的大小，同叶绿素的多少和叶绿素的活力的高低有关。叶绿素的数量越多，活力越高，吸收强度越大，而在波长0.7～1.1μm的近红外光谱段内，植被叶片形成强反射，吸收率几乎等于零，而透射和反射几乎各占50%。在0.35～1.1μm波段中绿色植物的红光吸收峰和近红外光反射峰及其组合，是其他生物和非生物所没有的，所以它们成为识别植被的专属性标志，而它们的组合，也就成为提取植被信息的特异性指标。
系统用于植被信息提取的数据源有Landsat-ETM、CBERS、SPOT、QUICKBIRD和MODIS，它们的IR和R波段的通道编号和波长范围见表5－2所示。
表5－2 植被指数的数据源表
常用的植被指数有:
(1)环境植被指数(EVI):即近红外波段与可见光红波段的亮度差值，又称差值植被指数，表达式为
EVI对土壤背景有一定的敏感性;当植被盖度为15%～25%时，差值随盖度的增加而迅速增大，当盖度大于80%时，灵敏度明显下降。
(2)双差植被指数(DDVI):即近红外波段与可见光红波段的亮度差值减去可见光红波段与绿波段(TM2)之差，表达为
DDVI的特点是引用了对健康茂盛的植物绿反射敏感的绿色波段，增强了植被的信息，并能在一定程度上补偿大气层的不利影响。由于绿波段对土壤敏感，按“绿峰”反射评价植被生活力，所以有利于植被分类，区分林型和树种。
(3)比值植被指数(RVI):即近红外波段与可见光红波段之比，表达为
RVI对土壤背景比较敏感，在植被盖度大于50%时，对植被盖度的差异敏感度较高，但不能很好区分小于30%的植被盖度差异。
(4)归一化植被指数(NDVI):即近红外波段与可见光红波段之差与这两个波段之和的比值，表达为
NDVI综合利用了四则运算，提高了对土壤背景变化的鉴别能力，消除了地形和群落结构的阴影的影响，削弱了大气层的干扰，因而大大扩展了对植被盖度的监测灵敏度。它是植被生长状况和植被空间分布密度的最佳指示因子，与植物分布密度呈线性相关，有较好的时相和空间适应性，因此又可称之为生物量指数或标准化植被指数。
大量研究上述各类植被指数的处理结果并进行了比较，发现各类方法提取效果无较大差异。但在干旱地区采用NDVI方法是最成熟和常用的方法，因为它综合了EVI、DVI和DDVI的算法，对植被检测灵敏度较高，对植被盖度的检测范围较宽，能消除阴影和辐射干扰。
植被覆盖度信息自动提取模块以上述原理为基础，将图像定标、NDVI植被指数计算，密度分割等功能有机地集成封装到一起(图5－6)。用户只需要通过简单的几步操作就完成从原始影像数据到植被覆盖度分类结果的转变。植被覆盖度信息提取的核心是密度分割的阈值划分问题，根据多次试验和野外调查分析，在系统内部设定了适合工作区植被盖度级别划分的阈值，随着工作程度的深入和资料积累，将不断完善阈值设定。
图5－6 植被覆盖度信息提取流程图
目前植被覆盖度信息提取流程主要如下:
(1)反射率反演:反射率反演为定量遥感的基础。在不考虑大气多次散射和交叉辐射的情况下，有:
式中: DNi为图像的灰度值; ρ 为地物的反射外大气层反射; GAINSi为辐射定标的增益系数，包括了大气透过率、传感器的波长响应等乘性因素的影响; BLASESi为辐射定标的偏移值，包括了大气层辐射、传感器暗电流等加性因素的影响。对于不同的波段以及同一波段不同的航带，辐射定标的增益值和偏移值是不同的。而通过辐射定标的增益值和偏移值即可以进行反射率 ρ 的反演。
( 2) 植被指数变换: 将经过反射率反演的图像进行NDVI ( 植被指数) 变换，得到植被指数图像。各类样本在 NDVI 图像上呈离散度矩阵，植被与非植被类型在NDVI 图像上差异很大，利用 NDVI 图像可将植被与非植被区分开来。
( 3) 密度分割: 由于植被指数是植被覆盖度的重要指标，并且对于遥感数据而言，每个像元内的反射率是林冠的反射率，而不是树冠和叶面的反射率，并且能很好地区分植被和非植被，所以植被指数数据较适用于植被覆盖度。对干流区 1∶ 10 万植被指数图像NDVI 值和重点区 1∶ 1 万植被指数图像 NDVI 值均按照植被盖度低盖度、中盖度和高盖度三个级别进行密度分割，并将分类结果与植被盖度历史专题数据以及沿干流布设的生态监测站的植被盖度数据进行反演，如精度较差，修改其密度分割参数重新分割，以达到较好的结果。
将经过密度分割的植被指数图像进行非监督分类，得到分类结果图像，并将栅格图像数据转换为带有分类属性的专题图形数据，与高分辨率的融合图像套合进行人机交互解译，修正提取不准确的地物边界，最终输出达到精度要求的专题矢量图形文件。